在创新药物的研发过程中，先导化合物的发现是新药开发的关键，先导化合物的质量直接决定药物开发的成败。在筛选和设计先导化合物的过程中要充分考虑其生物活性、结构新颖性、靶点选择性、成药性和毒性等特性，其中化合物对靶标的生物活性是研究者最为关注的特性之一，但实验方法定量小分子对靶点的生物活性花费大、周期长，并不适用于化合物活性的高通量评价。基于分子对接的虚拟筛选成本低、效率高，已成为先导化合物发现的核心技术。在分子对接计算中，打分函数（SF）被用于评价受体-配体间相互作用的强弱。但分子对接所用的打分函数一般采用简单的线性拟合模型，精度往往不高，严重影响了虚拟筛选的预测能力。因此，开发高精度的打分函数是提升虚拟筛选预测能力及发现高质量活性分子的有效途经。

2021年12月, 浙江大学药学院&智能创新药物研究院侯廷军教授团队、浙江大学计算机学院吴健教授团队、中南大学曹东升团队和腾讯量子实验室联合在药物化学领域权威期刊Journal of Medicinal Chemistry发表了基于图表示学习方法的高精度打分函数模型InteractionGraphNet (IGN)。

图1. IGN打分函数的构建流程示意图

该模型不同于传统的基于深度学习的打分函数，可直接从蛋白-配体三维复合物中端到端地学习蛋白-配体相互作用模式。在蛋白-配体结合亲和力方面，IGN打分函数模型对PDBBind2016 Core Set 2016测试集的效果属于国际领先水平（Rp=0.837, RMSE=1.220），此外, 我们还对IGN打分函数的虚拟筛选性能做了系统的评价，IGN打分函数对DEKOIS2.0外部测试集中81个靶点的预测性能（0.1%, 0.5%, 1%以及5%的富集因子）明显优于常用的RFScore-VS以及国际著名的分子对接方法Glide SP。

浙江大学药学院&智能创新药物研究院为本论文的第一署名单位，浙江大学药学院和计算机科学与技术学院联合培养博士生蒋德军和腾讯量子实验室谢昌谕博士为共同第一作者，浙江大学侯廷军教授、浙江大学吴健教授教授、中南大学曹东升教授为共同通讯作者。

原文链接：https://pubs.acs.org/doi/10.1021/acs.jmedchem.1c01830